数据-物理联合驱动的大电网频率安全智能评估

新型电力系统的低惯量特征为其频率安全带来严峻挑战。为快速准确评估大电网受扰后的频率响应,文中提出数据-物理联合驱动的大电网频率安全智能评估方法。为实现数据模型和物理模型分析手段的有效结合,设计了频率安全评估的可信集成学习方法,准确评估数据驱动频率安全结果的可信度,并通过设定可信度阈值作为数据模型和物理模型的切换依据。若数据模型评估结果的可信度高于阈值,则采纳为可靠的数据驱动频率安全评估结果,否则切换为基于物理模型的时域仿真方法进行评估。利用四川电网仿真模型生成数据集并进行模型性能分析,结果表明所提方法兼具频率安全评估的快速性和准确性。

卡尔曼滤波器与神经网络串行的轮胎载荷识别模型

轮胎载荷是车辆设计和安全性评估的基础数据,对轮胎进行高精度的载荷识别具有重要意义。针对轮胎载荷直接测量昂贵、复杂的现状以及基于纯物理驱动与纯数据驱动的载荷识别方法的局限性,提出一种物理-数据联合驱动的载荷识别模型。该模型由卡尔曼滤波器与神经网络修正模型串行组成,卡尔曼滤波器对载荷进行初步识别,修正模型通过卷积神经网络和长短期记忆网络提取信号的空间和时间特征,预测卡尔曼滤波器的偏差并对识别结果予以修正。以APM300胶轮车辆为例进行载荷识别,结果表明,该串行模式载荷识别模型通过将物理驱动与数据驱动方法有机结合,综合整个系统的规则与经验,有效地克制了参数扰动的影响,提升了载荷识别精度,具有较强的泛化性能,具备一定的工程应用价值。